开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 系统运维 -> 【Linux & Deep learning】从0开始安装MMDetection -> 正文阅读

[系统运维]【Linux & Deep learning】从0开始安装MMDetection

前言

不多废话，直接按操作走，别整错了。
建立环境：Ubuntu18.04服务器 + 能跑深度学习的N卡。
注：由于外链过多原因无法被推荐，大家尽量自行百度……

第一步：安装conda

可选项

根据需要，自行选择 Anaconda3 / Miniconda3 。

conda安装流程（以miniconda为例）

Linux系统（以Ubuntu为例）

wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod 777 Miniconda3-latest-Linux-x86_64.sh
sh Miniconda3-latest-Linux-x86_64.sh

Windows系统/SSH操作

安装Xftp7（或其他远程传输软件）
连接到远程Linux服务器
下载最新版本miniconda3
将文件拖动到服务器合适的文件夹中（请自行选择路径）
安装MobaXterm或其他SSH远程连接软件
MobaXterm连接到远程Linux服务器（自行百度）
cd到4中自行选择的路径，以/conda为例

chmod 777 Miniconda3-latest-Linux-x86_64.sh
cd /conda
sh Miniconda3-latest-Linux-x86_64.sh

如无疑问，从现在起，均使用终端语言进行操作。

检查conda安装情况

conda -V
若出现conda 4.x.0
表明安装成功

第二步：安装nvidia驱动

可用nvidia-smi查看。

一般来说都有，没有的话请自行百度或咨询老师、同学、同事……

第三步：安装CUDA和cudnn

强烈建议：选择CUDA10.2+pytorch1.9.0
也可以选择其他版本，但以上版本实测完美通过

如果之前存在另外的CUDA版本

找到cuda目录，卸载：
cuda目录以/usr/local/cuda-10.0为例：

# 默认为root操作，无root请加sudo
/usr/local/cuda-10.0/bin/uninstall_cuda_10.0.pl
rm -rf /usr/local/cuda-10.0/

安装CUDA←

选择对应选项

# 根据上述选项，可以得到以下操作命令
# 该命令截止2022.03.22为最新
# 请先cd到合适的下载路径
wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
sh cuda_10.2.89_440.33.01_linux.run

此时如无错误，应该进入了安装界面。安装界面是命令行人机交互页面，如下所示：
在这里插入图片描述
accept之后，到如下界面，用Enter键筛选如下（其他有必要再安装）。

注1：Done为返回上一级。Install为开始安装。
注2：Options->Toolkits Options->Change Toolkit Install Path中选择合适的安装路径，此处仅截图为例。
在这里插入图片描述
安装完成后会显示类似successful的提示（此处就不再重复安装了，故不出示图例）。之后开始配置环境：

vim ~/.bashrc
# 如使用的是zsh，则为
# vim ~/.zshrc
# 其他同理

通过vim操作加入如下三句。（别说vim也不会！！）

export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

最后激活重载环境配置。

source ~/.bashrc

安装cudnn←

在这里插入图片描述
cudnn通过windows下载+ftp文件传输是最简单、快捷、方便的。（所以此处不用纯命令行安装方式）
安装cudnn需要登录自己的Nvidia账号，没有就注册一个吧。登录过程比较麻烦，需要多点耐心。出现下图的话可以按暂不跳过。在这里插入图片描述
根据红箭头指示点击下载。

同样按照conda安装中SSH操作的步骤，将下载好的tar.xz文件放到合适的解压路径。
接下来运行解压命令：

# 按照流程，下载的压缩包名称为
# cudnn-linux-x86_64-8.3.2.44_cuda10.2-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.3.2.44_cuda10.2-archive.tar.xz
# 不用 -zxvf 的原因是可能会出现如下报错：
# gzip: stdin: not in gzip format
# tar: Child returned status 1
# tar: Error is not recoverable: exiting now

解压完成后，输入ls，应该会发现同名文件夹：

# 每个人的安装路径都不同，所以根据自己的下载路径进行对应更改
cp /*cudnn安装路径*/lib/* /*cuda安装路径*/lib64/
cp /*cudnn安装路径*/include/* /*cuda安装路径*/include/

别着急，我们待会再检查CUDA、cudnn是否安装成功。

第四步：安装MMDetection

首先激活环境，并安装pytorch：

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab
conda install pytorch==1.9.0 torchvision==0.10.0 torchaudio==0.9.0 cudatoolkit=10.2 -c pytorch

这个时候，我们来检查一下torch、CUDA、cudnn的安装情况：

python # 打开终端的python
import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())

在这里插入图片描述
若结果如上图所示，那么没有问题，继续。

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.9.0/index.html
pip install mmdet

这里当然可以按照MMDetection的步骤走git clone，但是对于服务器无法翻墙的同学们来说，最好用pip自动安装方式。

终于快结束了！继续冲！！！

第五步：运行你的第一个mmdet程序

准备mmdetection文件夹

github搜索mmdetection，download zip（win）/git clone（linux）然后解压放到特定位置什么的不用我多说了好吗？假设这是路径A。

辛苦了那么久，终于可以测试了

创建一个py文件，命名为mmdet_test.py。然后，直接上代码：
请先下载faster rcnn pth模型放置到文件夹中，记住路径，假设这是路径B。

from mmdet.apis import init_detector, inference_detector
import cv2

def show_result_pyplot(model, img, result, score_thr=0.5):
    """Visualize the detection results on the image.
    Args:
        model (nn.Module): The loaded detector.
        img (str or np.ndarray): Image filename or loaded image.
        result (tuple[list] or list): The detection result, can be either
            (bbox, segm) or just bbox.
        score_thr (float): The threshold to visualize the bboxes and masks.
        fig_size (tuple): Figure size of the pyplot figure.
    """
    if hasattr(model, 'module'):
        model = model.module
    img = model.show_result(img, result, score_thr=score_thr, show=False)
    return img
    
# 记得路径A吗？加上/mmdetection/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py这一段就可以了
config_file = 
# 示例：config_file = '/workspace/cwh/mmdetection/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'

# 刚叫你下载的pth文件！记得路径B吗？
checkpoint_file = 
# 示例：checkpoint_file = './dataset/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'

# 使用CUDA
device = 'cuda:0'
# 初始化检测器
model = init_detector(config_file, checkpoint_file, device=device)
# 推理演示图像
# 还是你的路径A！看看能不能找到/mmdetection/demo/demo.jpg
img_path =
# 示例：img_path = '/workspace/cwh/mmdetection/demo/demo.jpg'
result = inference_detector(model, img_path)
# 只显示>0.8评分的框
det_img = show_result_pyplot(model, img_path, result, score_thr=0.8)
# 选择一个输出图像的路径
out_file =
# 示例：out_file = '/workspace/cwh/result.jpg'
cv2.imwrite(out_file, det_img)